L'analisi della lingua tramite IA rivela biomarcatori nascosti per i sottotipi di malattia epatica

Questo studio rivoluzionario getta un ponte tra l'antica saggezza della Medicina Tradizionale Cinese (MTC) e le più avanzate tecnologie di intelligenza artificiale, con l'obiettivo di trasformare la diagnosi delle malattie epatiche. I ricercatori hanno sviluppato un sistema intelligente di analisi della lingua che potrebbe cambiare radicalmente il modo in cui comprendiamo e trattiamo la malattia epatica steatosica associata a disfunzione metabolica (MASLD), precedentemente nota come steatosi epatica.

Il team ha studiato 100 partecipanti, tra cui 66 pazienti con MASLD suddivisi in due distinte sindromi MTC: calore-umidità (36 pazienti) e deficit di qi (30 pazienti), oltre a 34 controlli sani. Mediante una rete di intelligenza artificiale avanzata denominata UACANet, hanno analizzato le immagini della lingua con una precisione senza precedenti, raggiungendo un'accuratezza del 95,33% nella segmentazione linguale. Parallelamente, hanno profilato il microbiota orale tramite sequenziamento 16S rRNA per identificare le firme microbiche caratteristiche.

I risultati hanno evidenziato differenze notevoli tra i due tipi di sindrome. I pazienti con calore-umidità presentavano lingue rosso-cremisi con patine untuose ed erano caratterizzati da un arricchimento di batteri Streptococcus e Rothia. I pazienti con deficit di qi mostravano lingue pallide con abbondanze più elevate di Neisseria, Fusobacterium, Porphyromonas e Haemophilus. Combinando l'imaging linguale e l'analisi del microbioma, si è ottenuta un'accuratezza dell'85% nella classificazione delle sindromi, con un AUC notevole pari a 0,939.

Questa ricerca convalida le basi scientifiche della diagnosi linguale della MTC, fornendo al contempo biomarcatori oggettivi e quantificabili per la medicina personalizzata. I risultati suggeriscono che le caratteristiche della lingua riflettano i pattern sottostanti di metabolismo microbico, offrendo nuove prospettive sui meccanismi di malattia. Per i clinici, ciò potrebbe consentire una selezione terapeutica più precisa, basata sui pattern sindromici individuali anziché su approcci standardizzati applicati indistintamente a tutti i pazienti.

Sebbene promettente, la dimensione campionaria relativamente ridotta dello studio e il focus su soli due tipi di sindrome rendono necessari studi di validazione su scale più ampie. Ciononostante, questo lavoro rappresenta un passo significativo verso l'integrazione della saggezza diagnostica tradizionale con la moderna medicina di precisione.